代码已上传至github中，欢迎star！版本 1.0.2CS336 课程组2025 年春季在本次作业中，你将获得训练语言模型解决数学问题时进行推理的实践经验。需实现的内容对于感兴趣的同学，我们将额外设置一个可选任务——使语言模型与人类偏好对齐，该任务将于未来几天发布。需运行的内容所有作业代码及本说明文档均已上传至 GitHub，地址如下：github.com/stanford-cs336/ass

本次作业要求学生从零开始构建Transformer语言模型的关键组件，包括：1）基于字节对编码(BPE)的分词器，需实现Unicode编码处理、子词切分和词汇表训练；2）完整的Transformer语言模型架构；3）交叉熵损失函数和AdamW优化器；4）支持模型保存/加载的训练循环。学生将在TinyStories和OpenWebText数据集上分别训练分词器和语言模型，最终提交模型在测试集上的困惑

本文介绍了如何利用Python读取西门子S7-1200 PLC的生产数据，并实现定时发送报表到指定邮箱的功能。通过snap7库读取PLC中的合格数和不合格数数据，保存为Excel文件后，使用SMTP协议自动发送邮件。系统设置为每天早上8点自动执行，可部署为长期运行的监控程序。该方案实现了生产数据的可视化监控和自动化报表发送，提高了质量管理效率。完整代码已开源在Gitee平台。

在之前的博客中，笔者尝试利用ollama和anythingLLM建立了本地知识库，并在局域网内，提供接口给其他人使用。在本文中，笔者尝试利用另外一个工具RAGFlow，来搭建本地知识库。在大型语言模型（LLM）中，Embedding是指将离散的文本数据（如单词、短语或句子）转换为连续的数值向量的过程。​这些向量捕捉了文本的语义和语法特征。具体而言，Embedding将高维度的离散数据映射到低维度的

第一章的笔记只是做浅层的了解。其中有ai帮我总结的内容，有的知识点我也不太理解…a. 大模型外部工具基本概念 b. MCP技术协议核心概念在 MCP 之前，开发者常常针对每个数据源或工具编写“​N×M​”次适配器，集成成本高且维护困难​。MCP 将外部功能抽象为三类接口——资源（Resources）、工具（Tools）、提示模板（Prompts），模型只需通过统一的 JSON-RPC 调用即可访问

上篇博客中，尝试Windows本地部署Ollama+DeepSeek-R1-7b+AnythingLLM，成功实现了本地知识库的检索。实际使用中，往往将DeepSeek装在性能好的机器上，其他机器只需远程访问。因此，本文将讨论如何调用API。以上就是利用Ollama和AnythingLLM的API调用的内容。笔者在实际使用中，发现了一些问题：第一，sources会跟随问答传递，如果sources数

语言模型的有效应用可以给企业带来巨大经济效益，本文就介绍了Windows平台的部署所需要的模型的安装步骤并构建本地知识库。以上就是关于地道老北京炸酱面的制作方法(并不是)，本文仅仅简单介绍了AnythingLLM的使用，而如何提供 API 接口供其他设备使用，敬请期待下一篇博客。

参考文献：本文仅仅用于学习记录langchain的基础内容。本文的完整代码，可从笔者的gitee下载。

今日学习：https://github.com/anthropics/anthropic-cookbook/tree/main/tool_use学习如何将 LLM 与外部工具和功能集成以扩展其能力。

在本次作业中，我们将通过基准测试和性能分析不同规模的模型，以更好地理解性能变化规律。为了直观感受规模对性能的影响，我们将使用以下模型配置。所有模型的词汇表大小均为 10,000，批量大小（batch size）为 4，仅上下文长度（context length）不同。本次作业（及后续作业）需要呈现大量表格形式的结果，我们强烈建议你通过代码自动生成报告中的表格——因为手动用 LaTeX 或 Mark